CohortFinder:一个开源工具,用于数据驱动的数字病理和成像队列的分区,以产生强大的机器学习模型
Fan Fan1, Georgia Martinez2, Thomas DeSilvio2
1Emory University and Georgia Institute of Technology, Department of Biomedical Engineering, Atlanta, GA USA.
Npj imaging
|July 4, 2024
概括
批量效应 (BEs) 是阻碍机器学习 (ML) 模型性能的技术噪音. 我们的新工具CohortFinder通过数据驱动的队列分区来缓解这些问题,从而提高了ML的概括性.
科学领域:
- 计算生物学是一种计算生物学.
- 机器学习 机器学习
- 生物信息学是一种生物信息学.
背景情况:
- 系统的技术差异,称为批量效应 (BEs),可能会对机器学习 (ML) 模型的概括性产生负面影响.
- 这些技术变异与生物差异不同,并将噪音引入数据集.
研究的目的:
- 推出CohortFinder,这是一个开源工具,旨在减轻批量效应.
- 提高机器学习模型在生物医学应用中的性能和通用性.
主要方法:
- 开发CohortFinder,这是一个开源软件工具.
- 在CohortFinder中实施数据驱动的队列分区策略.
- 评估CohortFinder在减少批量效应方面的有效性.
主要成果:
- CohortFinder有效地减轻了数据集中的批量效应.
- 该工具可以明显改善机器学习模型的性能.
- 在数字病理学和医疗图像处理任务中观察到ML模型的增强通用性.
结论:
- CohortFinder提供了一个强大的解决方案,用于解决机器学习工作流中的批量效应.
- 该工具提高了生物医学图像分析中的ML模型的可靠性和性能.
- CohortFinder是免费的,促进了研究中的更广泛的采用和可重复性.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.7K
09:52DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma
Published on: June 6, 2025
140
